كل ما يجب أن تعرفه عن خوارزميات التعلم غير الخاضعة للرقابة

خوارزميات التعلم غير الخاضعة للرقابة

شهد التعلم الآلي الكثير من التطور في السنوات الأخيرة ، والتعلم غير الخاضع للإشراف جزء من ذلك. يعد التعلم الآلي موضوعًا واسعًا ، ولهذا السبب يتم تقسيمه إلى ثلاث فئات. من بين هؤلاء الثلاثة ، سنناقش التعلم غير الخاضع للإشراف في هذه المقالة. يعد التعلم غير الخاضع للإشراف أحد الموضوعات الجديدة نسبيًا في قطاع التكنولوجيا.

لديها الكثير من التحديات ولكن مع قائمة واسعة من المزايا أيضًا. في هذه المقالة ، سوف تكتشف ما هو التعلم غير الخاضع للإشراف ، وكيف يعمل ، وما هي مشاكله ، ومزاياه ، وما هي الخوارزميات الموجودة فيه. لقد أبقيناها شاملة قدر الإمكان.

لذلك دعونا نبدأ.

ما هو التعلم غير الخاضع للإشراف؟

عندما لا تعطي أي تسميات لخوارزمية التعلم وتسمح لها بالعثور على بنية في المدخلات بمفردها ، فإن هذا يسمى التعلم غير الخاضع للإشراف. التعلم غير الخاضع للإشراف هو واحد من ثلاثة أنواع للتعلم الآلي ؛ والاثنان الآخران هما التعلم شبه الخاضع للإشراف والتعلم تحت الإشراف. يمكن أن يكون التعلم غير الخاضع للإشراف وسيلة لتحقيق غاية أو هدف في حد ذاته.

لفهم التعلم غير الخاضع للإشراف ، تخيله كاختبار حيث لا يمتلك الممتحن مفتاح إجابة لمقارنة إجاباتك به. يا له من اختبار مثير ، أليس كذلك؟ حسنًا ، يمكّنك التعلم غير الخاضع للإشراف من العمل مع المدخلات والعثور على الإجابات التي كنت تبحث عنها. ربما كنت ترغب في العثور على نمط في الإدخال لم تلاحظه من قبل. أو ربما تريد فهم كيفية توزيع البيانات في مساحة معينة.

مشاكل التعلم غير الخاضع للرقابة

قد يكون التعلم غير الخاضع للإشراف شائعًا جدًا ، لكن هذا لا يعني أنه لا يعاني من مشاكله. هناك العديد من التحديات التي يمكنك مواجهتها بسبب هذه الخوارزميات. أولاً ، لا يمكنك معرفة ما إذا كنت تكمل المهمة أم لا عندما تستخدم التعلم غير الخاضع للإشراف.

هذا لأنه ، في التعلم الخاضع للإشراف ، لديك معيار لمقارنة مخرجاتك به. أنت تحدد المقاييس التي تمكن اتخاذ القرار على أساس ضبط النموذج. تساعدك الاستدعاء والدقة والإجراءات المماثلة الأخرى على معرفة مدى دقة نموذجك. ويمكنك تعديل معلمات هذا النموذج لتحسين دقة نفس النموذج. إذا لم تكن دقتك عالية ، فستحصل على النتيجة وفقًا لذلك ، مما يعني أنك بحاجة إلى تحسين نموذجك.

التعلم غير الخاضع للإشراف ليس له أي تسميات. لذلك ، يكاد يكون من المستحيل الحصول على مقياس موضوعي لدقة نموذجك. كيف يمكنك التأكد من أن خوارزمية التجميع k-mean الخاصة بك قد عثرت على الكتلة الصحيحة؟ كيف تحدد دقة مخرجاته؟ يوفر لك التعلم الخاضع للإشراف درجات دقة لمساعدتك في تحديد ما إذا كانت مخرجاتك صحيحة أم لا. لكن مع التعلم غير الخاضع للإشراف ، ليس لديك هذا الرفاهية. تعرف على المزيد حول أنواع التعلم الخاضع للإشراف.

الآن ، ما إذا كان التعلم غير الخاضع للإشراف مفيدًا لحل مشكلة أم لا يعتمد على الكثير من العوامل. لن يكون التعلم غير الخاضع للإشراف سائدًا إذا لم يكن لديه أي تطبيقات. لقد ناقشنا أهميتها في القسم التالي.

لماذا يعد التعلم غير الخاضع للإشراف ضروريًا

بعد قراءة التحديات التي تطرحها هذه الطريقة ، قد تتساءل عما إذا كانت مفيدة. حسنًا ، التعلم غير الخاضع للإشراف له فوائد عديدة ، وفيما يلي بعض أسباب انتشاره:

• إنه يمكّن الآلات من حل المشكلات التي لا تستطيع عقول البشر بسبب التحيز أو القدرة.
• التعلم غير الخاضع للإشراف مناسب لاستكشاف البيانات غير المعروفة. إذا كنت لا تعرف ما تحتاج إلى العثور عليه ، فهذه هي الطريقة المثالية لك.
• يعد شرح مجموعات البيانات الكبيرة أمرًا مكلفًا للغاية. نتيجة لذلك ، يعتمد الخبراء على بعض الأمثلة للعمل على المشكلة.
• إذا كنت لا تعرف عدد الفئات التي تحتوي عليها البيانات ، فستحتاج إلى استخدام خوارزميات التعلم غير الخاضعة للإشراف. وخير مثال على ذلك هو التنقيب عن البيانات.

من الأمثلة الرائعة للتعلم غير الخاضع للإشراف أنظمة التوصية. تعمل أنظمة التوصيات من خلال جمع البيانات التاريخية للشخص واقتراح توصياتهم وفقًا لذلك. تستخدم أنظمة التوصية هذه التعلم غير الخاضع للإشراف لتقديم مثل هذه الاقتراحات. تتضمن أمثلة هذه الأنظمة Netflix و YouTube.

لذلك ، يمكنك أن ترى أن التعلم غير الخاضع للإشراف فعال جدًا في حل نوع معين من المشكلات. الآن بعد أن أدركت أهميتها ، يمكننا الانتقال إلى أقسام أكثر تفصيلاً وإلقاء نظرة على فئاتها.

فئات التعلم غير الخاضع للإشراف

يمكننا تصنيف التعلم غير الخاضع للإشراف إلى فئتين:

حدودي

عندما تفترض توزيعًا معياريًا للبيانات ، فسوف تستخدم خوارزميات التعلم غير الخاضعة للإشراف هذه. في هذه الحالة ، تعتقد أن المتوسط ​​والانحراف المعياري يحددان معلمات جميع أعضاء عائلة التوزيعات النموذجية. تفترض أيضًا أن البيانات تنشأ من مجتمع يتبع توزيعًا احتماليًا يعتمد على مجموعة محددة من المعلمات.

هذا يعني أنه يمكنك معرفة احتمالية الملاحظات المستقبلية بمجرد معرفة المتوسط ​​والانحراف المعياري. ستستخدم خوارزمية تعظيم التوقع وبناء نماذج خليط غاوسي للتنبؤ بفئة العينة التي لديك. نظرًا لأن لديك تسميات إجابات للعمل معها ، يكون حل مثل هذه المشكلات أكثر صعوبة وصعوبة. لن يكون لديك أي إجراءات تصحيحية لمقارنة نتائجك بها.

غير معلمية

في هذه الفئة ، تقوم بتجميع البيانات في مجموعات. تشير كل مجموعة من البيانات إلى شيء ما عن فئات وأنواع نفس الشيء. إنها طريقة قياسية لنمذجة البيانات وتحليلها عندما يكون لديك عينات صغيرة. مع النماذج غير المعلمية ، لا يتعين عليك وضع أي افتراضات حول التوزيع السكاني للبيانات. هذا هو السبب في أن الاسم الشائع الآخر للتعلم غير الخاضع للرقابة هو التعلم غير الخاضع للإشراف.

المفاهيم الأساسية في خوارزميات التعلم غير الخاضعة للرقابة

ضغط البيانات

نظرًا لارتفاع تكاليف التخزين والقيود المفروضة على قوة الحوسبة لدينا ، فإننا نبحث باستمرار عن طرق لتحسين كفاءة عمليات البيانات لدينا. والحل الرائع في هذا الصدد هو تقليل الأبعاد. يعد تقليل الأبعاد عملية موجودة في التعلم غير الخاضع للإشراف ، وهي تعمل على أساس مفاهيم مختلفة مشابهة لنظرية المعلومات.

يفترض تقليل الأبعاد أن معظم البيانات زائدة عن الحاجة وأنه يمكنك تمثيل جميع المعلومات تقريبًا في مجموعة البيانات باستخدام جزء بسيط فقط من البيانات التي لديك.

اثنان من أشهر الخوارزميات التي يستخدمها الخبراء لهذا الغرض هما تحليل القيمة الفردية وتحليل المكونات الرئيسية. الأول يحلل بياناتك في المنتج الثلاثة الآخر بينما يجد الأخير المجموعات الخطية التي تنقل معظم التباين أو الاختلاف الموجود في بياناتك. هناك الكثير من الخوارزميات المختلفة الموجودة في التعلم غير الخاضع للإشراف والتي تؤدي مجموعة متنوعة من المهام.

اقرأ أيضًا: أفكار مشروع التعلم الآلي للمبتدئين

من خلال تقليل أبعاد بياناتك ، يمكنك تحسين خط أنابيب التعلم الآلي . إذا كان بإمكانك تقليل البيانات حسب الحجم ، فستتمكن من تقليل قوة الحوسبة المطلوبة ومساحة التخزين إلى حد كبير. سيساعدك هذا في تقليل تكاليف التشغيل أيضًا. من الأمثلة الرائعة للتعلم غير الخاضع للإشراف ، في هذه الحالة ، رؤية الكمبيوتر. تعد SVD و PCA مفيدة جدًا في ضغط بيانات الصور. ويستخدم الخبراء واحدًا منهم في مرحلة المعالجة المسبقة لخطوط أنابيب التعلم الآلي.

تجمع

في التجميع ، تقوم بتنظيم نقاط البيانات في مجموعات بطريقة يتشابه فيها أعضاء المجموعة بطريقة ما. ربما تكون المشكلة الأكثر أهمية في التعلم غير الخاضع للإشراف. في التجميع ، تقوم بإنشاء مجموعات من نقاط البيانات المتشابهة وتفصلها عن نقاط البيانات التي تختلف عنها.

التجميع يركز على تحديد التجميع الداخلي للمدخلات. نظرًا لأنه مفهوم التعلم غير الخاضع للإشراف ، فإنه يعمل مع البيانات غير المسماة. يقوم بتشكيل مجموعات من نقاط البيانات وفقًا للتشابه الذي يلاحظه في ميزاتها. ومع ذلك ، يعتمد ما إذا كانت الكتلة صحيحة أم لا على المستخدم.

تتكون خوارزميات التجميع من أربعة أنواع وهي كالتالي:

• خوارزميات التجميع الاحتمالي
• خوارزميات التجميع الهرمي
• خوارزميات التجميع المتداخلة
• خوارزميات التجميع الحصرية

اسم النوع الأول لا يحتاج إلى شرح. تركز المجموعة الثانية على اتحاد أقرب مجموعتين ، بينما تستخدم الخوارزميات المتداخلة مجموعات ضبابية بحيث قد تنتمي نقطة إلى مجموعات متعددة. بيانات المجموعة الأخيرة بطريقة لا يمكن أن تنتمي نقطة بيانات مجموعة واحدة إلى مجموعات أخرى.

النماذج التوليدية

في النماذج التوليدية ، تحصل على بيانات التدريب لإنشاء عينات جديدة منها. مثل هذه النماذج لها مهمة إنشاء بيانات مشابهة لتلك التي تقدمها لها. وهم يفعلون ذلك من خلال تعلم جوهر بياناتهم بكفاءة. يمكن للنماذج التوليدية التعرف على ميزات البيانات التي تقدمها لهم ، وهذه ميزة مهمة على المدى الطويل. تعد مجموعات بيانات الصور مثالًا رائعًا على النماذج التوليدية. بمساعدة مجموعة بيانات الصورة ، يمكنك إنتاج العديد من الصور المتشابهة.

ماذا بعد ؟

التعلم غير الخاضع للإشراف هو مفهوم واسع للتعلم الآلي. هناك العديد من الخوارزميات الموجودة في هذه الفئة ، ولا بد أنك لاحظت مدى التنوع الموجود بينها. إذا كنت تريد معرفة المزيد حول هذا الموضوع ، فعليك التوجه إلى مدونتنا. ستجد الكثير من المقالات المفيدة حول التعلم غير الخاضع للإشراف والتعلم الآلي.

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad's في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهام ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.